GIS-Enhanced River Stage Prediction for Ungauged Basins: A Case Study of the Upper Ping River Basin, Thailand
Notice bibliographique
Résumé
Accurate prediction of river stage in ungauged basins is essential for flood forecasting and water resource management, particularly in regions with limited observational data.This study investigates the integration of Geographic Information Systems (GIS) enhanced reanalysis data with machine learning (ML) techniques to predict river stage levels in the Upper Ping River Basin, northern Thailand.Five years of hourly hydrometeorological variables from the ERA5-Land dataset, combined with observed river stage measurements from the P.1 Hydrological Station, were used to train and evaluate four ML models: Random Forest Regression (RFR), Extreme Gradient Boosting (XGB), Support Vector Regression (SVR), and Multi-Layer Perceptron (MLP).Bayesian hyperparameter optimization and five-fold cross-validation were employed to ensure robust model training and evaluation.Among the models, XGB achieved the highest accuracy with an R² score of 0.9882, followed by RFR (0.9792), while SVR and MLP exhibited lower performance and higher sensitivity to data variability.Feature importance was further examined using SHapley Additive exPlanations (SHAP), revealing that runoff and soil moisture variables contributed most significantly to model performance, while wind, temperature, and even precipitation showed comparatively lower influence.A feature exclusion analysis confirmed that removing the top 14 ranked features substantially reduced prediction accuracy, underscoring their importance.The results highlight the potential of interpretable ML models combined with high-resolution GIS-based data for reliable river stage prediction in data-scarce regions.This framework offers promising applications in real-time flood forecasting and hydrological decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».